CN108090910A - 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 - Google Patents
一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 Download PDFInfo
- Publication number
- CN108090910A CN108090910A CN201810006510.8A CN201810006510A CN108090910A CN 108090910 A CN108090910 A CN 108090910A CN 201810006510 A CN201810006510 A CN 201810006510A CN 108090910 A CN108090910 A CN 108090910A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- formula
- max
- image segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于信息熵梯度简化PCNN模型的夜间室外番茄植株图像分割算法,在计算归一化色差C n 后,使用简化PCNN模型对归一化色差灰度图进行图像分割迭代;计算图像分割结果Y(n)的信息熵s(n);当s(n)变小或迭代次数n已达最大迭代次数M时,停止迭代;求最大信息熵s(max)及对应的max;计算s(max)与s(max‑1)的差值,即信息熵梯度Δs;判断Δs是否大于阈值T s ,若是,则以第max+1次迭代获得的Y(max+1)为图像分割结果F,否则,以Y(max)为图像分割结果F;对F进行去噪处理。本发明采用信息熵梯度作为最佳图像分割结果评价准则,使用简化PCNN模型,克服了夜间主动照明条件下光照不均匀,存在阴影、高光区等对夜间室外番茄植株图像分割的影响,实现了夜间室外番茄植株图像分割。
Description
技术领域
本发明涉及一种图像处理方法,尤其是涉及一种基于信息熵梯度简化PCNN模型的夜间室外番茄植株图像分割算法。
背景技术
番茄生产机器人是实现番茄生产自动化的一种解决方案,基于机器视觉的番茄植株组成器官(包括茎、叶、番茄等)识别是番茄生产机器人获取番茄植株组成器官大小及位置等信息(用于番茄生产机器人进行自动疏果、疏叶、对靶喷施、采摘、避障、导航等)的一种手段。实现番茄植株图像分割是实现番茄植株组成器官识别的前提。为延长番茄生产机器人的工作时间,提高番茄生产机器人的利用率和工作效率,实现番茄生产机器人在夜间环境下的自动化作业非常有必要,而实现夜间室外番茄植株图像分割是实现番茄生产机器人在夜间作业时自动获取番茄植株组成器官大小及位置等信息的前提。
夜间主动照明条件下采集的室外番茄植株图像存在如下特点:不同图像采集距离下,光照条件存在较大差异,对应所采集图像的亮度存在较大差异;同一图像中,亮度不均匀,光源分布中心对应区域较其他区域明显偏亮;茎秆、叶、果实面向光源一侧存在高光区。这些特点对夜间番茄植株图像分割造成了较大的困难。
在果蔬生产机器人视觉***研究领域,已有较多的日间自然光照条件下采集的绿色农作物图像分割算法。由于日间和夜间,光照条件存在较大差异,因此日间采集的绿色农作物图像呈现出与夜间采集的番茄植株图像不同的特点。日间自然光照条件下,由于光照变化剧烈,不同光照条件下采集的图像,亮度差异较大,图像分割时体现为图像分割阈值差异较大;光照不均匀,导致图像上不同位置的绿色农作物区域亮度不同;背景复杂。日间自然光照条件下和夜间主动照明条件下采集的果蔬植株图像差异较大,导致图像分割算法同样存在较大差异。因此,用于日间自然光照条件下采集的绿色农作物图像的图像分割算法不能直接用于夜间主动照明条件下采集的番茄植株图像的图像分割。
当前,现有的夜间果蔬生产机器人视觉***图像分割算法主要是夜间果实图像分割算法,另有少数的夜间主动照明条件下的枝叶异色的果树图像分割算法。番茄植株与果蔬树干、树枝及果实光学特性不同,且在颜色、大小等方面存在差异,因此,当前现有的夜间果实及枝叶异色果树图像分割算法不能直接用于夜间枝叶近色的番茄植株图像分割。
当前现有的适用于夜间主动照明条件下采集的枝叶近色果蔬植株图像分割算法极少,且未针对不同图像采集距离下的光照变化,光照不均匀,存在阴影、高光区等夜间果蔬植株图像的特点进行图像分割算法的设计,图像分割效果仍无法满足生产实践的需求。
发明内容
本发明的目的在于提供一种基于信息熵梯度简化PCNN模型的夜间室外番茄植株图像分割算法,采用信息熵梯度作为最佳图像分割结果的判别准则,采用一种简化PCNN模型实现夜间室外番茄植株的图像分割,为夜间室外番茄植株器官的识别和定位奠定基础。
本发明采用的技术方案是:
使用照明***对夜间室外番茄植株进行照明;图像接收装置接收到主动照明条件下的夜间室外番茄植株的光学图像后,将其转换为电子图像输出;图像接收装置输出的电子图像输入到图像分析处理***;图像分析处理***对输入的夜间室外番茄图像使用夜间室外番茄植株图像分割算法实现夜间室外番茄植株图像分割;用彩色相机采集夜间主动照明条件下室外番茄植株的彩色图像C,读取彩色图像C中各像素的R、G、B颜色分量;包括以下步骤:
①归一化色差值Cn计算:对彩色图像C上的每一个像素点分别按公式(1)计算绿红色差Cc,计算得到绿红色差Cc后,按公式(2)计算归一化色差值Cn,将Cn作为像素值,得到灰度图像I;
式(2)中,min(cc)—彩色图像C上所有像素点的cc的最小值;max(cc)—彩色图像C上所有像素点的cc的最大值。
②设置迭代次数n为1;
③使用简化PCNN模型对I进行图像分割,得到图像分割结果Y(n);简化PCNN模型,将图像横坐标为i,纵坐标为j的像素视为一个神经元Nij;将各像素在灰度图像I中像素值Iij作为神经元的输入;神经元的输出为Yij(n)(即第n次迭代得到的图像分割结果Y(n)中,图像坐标系中横坐标为i,纵坐标为j的像素的像素值)通过式(3)计算得到;所有神经元的输出即为第n次迭代得到的图像分割结果Y(n);
式(3)中,n—第n次迭代;U* ij(n)—内部活动项,如式(4)所示,Eij(n)—动态阈值,如式(5)所示;Yij(0)为0;
式(4)中,Fij(n)—神经元输入项,如式(6)所示;L* ij(n)—连接输入项,如式(7)所示;β—内部活动项连接系数,设为0.1;
Eij(n)=T+-n×N n≤M (5)
式(5)中,T+—动态阈值初始值,设为0.45;N—阈值衰减步长,设为0.025;M—最大迭代次数,如式(8)所示,为8;Eij(0)为T+;
Fij(n)=Iij (6)
式(6)中,Iij—外部输入激励,即图像像素值;
式(7)中,Lij(n)如式(9)所示;
式(8)中,K—动态阈值变化区间宽度,设为0.2;
Lij(n)=∑WijYij(n-1) (9)
式(9)中,Wij—耦合连接域连接系数,如式(10)所示,
Wij=(1-|Fij(n)-Fi+k,j+l(n)|)e1-d (10)
式(10)中:e—欧拉数,近似等于2.718281828;d—神经元Nkl与神经元Nij间的欧式距离,其计算如式(11)所示,
式(11)中:xi+k,yj+l—神经元Nkl坐标;xi,yj—神经元Nij坐标;
④计算图像分割结果Y(n)的信息熵s(n),判断n是否为1,若是,则将最大信息熵s(max)的值修改为s(1),并将max的值修改为1,转入步骤⑥;否则,转入步骤⑤;
⑤判断s(n)是否大于最大信息熵s(max),若是,则将最大信息熵s(max)的值修改为s(n),并将max的值修改为n,转入步骤⑥;否则,结束迭代过程,转到步骤⑦;
⑥判断n是否等于预设的最大迭代次数M,若是,则结束迭代过程,转入步骤⑦;否则,迭代次数n自增1,跳转到步骤③;
⑦计算最大信息熵s(max)与第max-1次迭代得到的信息熵s(max-1)的差值,即信息熵梯度Δs;
⑧判断Δs是否大于阈值Ts(设为0.17),若是,则以第max+1次迭代获得的Y(max+1)为图像分割结果F;否则,以最大信息熵对应的第max次迭代获得的Y(max)为图像分割结果F;
⑨图像分割结果去噪:去除图像分割结果F中面积小于预设阈值Ta的区域,得到去噪后的图像分割结果Fn。
本发明具有的有益效果是:
本发明采用信息熵梯度作为最佳图像分割结果评价准则,采用简化的PCNN模型,克服了夜间主动照明条件下不同图像采集距离下的光照变化,光照不均匀,存在阴影、高光区等对夜间室外番茄植株图像分割的影响,实现了主动照明条件下夜间室外番茄植株图像分割,为夜间室外番茄植株器官的识别和定位奠定了基础。
附图说明
图1是夜间室外番茄植株图像分割***示意图。
图2是基于信息熵梯度简化PCNN模型的夜间室外番茄植株图像分割算法流程图。
图3是简化PCNN模型图。
图1中:1、番茄植株,2、彩色相机,3、照明***,4、1394图像采集卡,5、计算机,6、夜间室外番茄图像分割软件。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
图1示意了夜间室外番茄植株图像分割***的一个具体实施例。照明***3采用2盏3w的白色荧光灯构成的对角照射***,对角距离为400mm。图像接收装置采用彩色相机2,彩色相机2中的图像传感器为彩色Sony ICX204 CCD,最大分辨率为1024×768,透镜焦距为6mm。图像采集卡4型号为MOGE 1394,带电源适配器。计算机5为Lenovo R400笔记本电脑,内存3G,CPU为Intel CoreDuo T6570,WIN 7操作***。使用1394连接线将彩色相机2与1394图像采集卡4相连,1394图像采集卡4通过7合1读卡器接口安装在计算机5上。
夜间室外番茄植株图像分割的具体实现如下:
使用照明***3对夜间室外番茄植株1进行照明;彩色相机2接收到番茄植株1的光学图像后,将其转换为电子图像输出;彩色相机2输出的电子图像输入到1394图像采集卡4;1394图像采集卡4将模拟图像信号转换为数字图像信号后输入到计算机5中的室外番茄植株图像分割软件6;室外番茄植株图像分割软件6使用室外番茄植株图像分割方法实现夜间主动照明条件下番茄植株图像分割。
用彩色相机采集夜间主动照明条件下室外番茄植株的彩色图像C(640×480像素),读取彩色图像C中各像素的R、G、B颜色分量;如图2所示,包括以下步骤:
①归一化色差值Cn计算:对彩色图像C上的每一个像素点分别按公式(1)计算绿红色差Cc,计算得到绿红色差Cc后,按公式(2)计算归一化色差值Cn,将Cn作为像素值,得到灰度图像I;
式(2)中,min(cc)—彩色图像C上所有像素点的cc的最小值;max(cc)—彩色图像C上所有像素点的cc的最大值。
②设置迭代次数n为1;
③使用简化PCNN模型对I进行图像分割,得到图像分割结果Y(n);简化PCNN模型,如图3所示,包括三部分:耦合输入区;内部活动域;脉冲发生器。将图像横坐标为i,纵坐标为j的像素视为一个神经元Nij;将各像素在灰度图像I中像素值Iij作为神经元的输入;神经元的输出为Yij(n)(即第n次迭代得到的图像分割结果Y(n)中,图像坐标系中横坐标为i,纵坐标为j的像素的像素值)通过式(3)计算得到;所有神经元的输出即为第n次迭代得到的图像分割结果Y(n);
式(3)中,n—第n次迭代;U* ij(n)—内部活动项,内部活动域的输出,如式(4)所示,Eij(n)—动态阈值,采用线性阈值衰减器获得,如式(5)所示;Yij(0)为0;
式(4)中,Fij(n)—神经元输入项,如式(6)所示;L* ij(n)—连接输入项,如式(7)所示;β—内部活动项连接系数,设为0.1;
Eij(n)=T+-n×N n≤M (5)
式(5)中,T+—动态阈值初始值,设为0.45;N—阈值衰减步长,设为0.025;M—最大迭代次数,如式(8)所示,为8;Eij(0)为T+;
Fij(n)=Iij (6)
式(6)中,Iij—外部输入激励,即图像像素值;
式(7)中,Lij(n)如式(9)所示;
式(8)中,K—动态阈值变化区间宽度,设为0.2;
Lij(n)=∑WijYij(n-1) (9)
式(9)中,Wij—耦合连接域连接系数,如式(10)所示,
Wij=(1-|Fij(n)-Fi+k,j+l(n)|)e1-d (10)
式(10)中:e—欧拉数,近似等于2.718281828;d—神经元Nkl与神经元Nij间的欧式距离,其计算如式(11)所示,
式(11)中:xi+k,yj+l—神经元Nkl坐标;xi,yj—神经元Nij坐标;
④计算图像分割结果Y(n)的信息熵s(n),信息熵的计算如式(12)所示;判断n是否为1,若是,则将最大信息熵s(max)的值修改为s(1),并将max的值修改为1,转入步骤⑥;否则,转入步骤⑤;
式(12)中,pi(n)的计算如式(13)所示,
式(13)中,Ti(n)—Y(n)中像素值为i的像素数;T(n)—Y(n)中的像素总数;
⑤判断s(n)是否大于最大信息熵s(max),若是,则将最大信息熵s(max)的值修改为s(n),并将max的值修改为n,转入步骤⑥;否则,结束迭代过程,转到步骤⑦;
⑥判断n是否等于预设的最大迭代次数M,若是,则结束迭代过程,转入步骤⑦;否则,迭代次数n自增1,跳转到步骤③;
⑦计算最大信息熵s(max)与第max-1次迭代得到的信息熵s(max-1)的差值,即信息熵梯度Δs;
⑧判断Δs是否大于阈值Ts(设为0.17),若是,则以第max+1次迭代获得的Y(max+1)为图像分割结果F;否则,以最大信息熵对应的第max次迭代获得的Y(max)为图像分割结果F;
⑨图像分割结果去噪:去除图像分割结果F中面积小于预设阈值Ta(设为300像素)的区域,得到去噪后的图像分割结果Fn。
Claims (1)
1.一种基于信息熵梯度简化PCNN模型的夜间室外番茄植株图像分割算法,用彩色相机采集夜间主动照明条件下室外番茄植株的彩色图像C,读取彩色图像C中各像素的R、G、B颜色分量;其特征在于,包括以下步骤:
①归一化色差值Cn计算:对彩色图像C上的每一个像素点分别按公式(1)计算绿红色差Cc,计算得到绿红色差Cc后,按公式(2)计算归一化色差值Cn,将Cn作为像素值,得到灰度图像I;
<mrow>
<msub>
<mi>c</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mi>G</mi>
<mo>-</mo>
<mi>R</mi>
<mo>-</mo>
<mi>B</mi>
</mrow>
<mrow>
<mi>R</mi>
<mo>+</mo>
<mi>G</mi>
<mo>+</mo>
<mi>B</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>c</mi>
<mi>c</mi>
</msub>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>max</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>c</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)中,min(cc)—彩色图像C上所有像素点的cc的最小值;max(cc)—彩色图像C上所有像素点的cc的最大值。
②设置迭代次数n为1;
③使用简化PCNN模型对I进行图像分割,得到图像分割结果Y(n);简化PCNN模型的特征在于:将图像横坐标为i,纵坐标为j的像素视为一个神经元Nij;将各像素在灰度图像I中像素值Iij作为神经元的输入;神经元的输出为Yij(n)(即第n次迭代得到的图像分割结果Y(n)中,图像坐标系中横坐标为i,纵坐标为j的像素的像素值)通过式(3)计算得到;所有神经元的输出即为第n次迭代得到的图像分割结果Y(n);
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式(3)中,n—第n次迭代;U* ij(n)—内部活动项,如式(4)所示,Eij(n)—动态阈值,如式(5)所示;Yij(0)为0;
<mrow>
<msubsup>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msubsup>
<mi>&beta;L</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式(4)中,Fij(n)—神经元输入项,如式(6)所示;L* ij(n)—连接输入项,如式(7)所示;β—内部活动项连接系数,设为0.1;
Eij(n)=T+-n×Nn≤M (5)
式(5)中,T+—动态阈值初始值,设为0.45;N—阈值衰减步长,设为0.025;M—最大迭代次数,如式(8)所示,为8;Eij(0)为T+;
Fij(n)=Iij (6)
式(6)中,Iij—外部输入激励,即图像像素值;
<mrow>
<msubsup>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式(7)中,Lij(n)如式(9)所示;
<mrow>
<mi>M</mi>
<mo>=</mo>
<mfrac>
<mi>K</mi>
<mi>N</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
式(8)中,K—动态阈值变化区间宽度,设为0.2;
Lij(n)=∑WijYij(n-1) (9)
式(9)中,Wij—耦合连接域连接系数,如式(10)所示,
Wij=(1-|Fij(n)-Fi+k,j+l(n)|)e1-d (10)
式(10)中:e—欧拉数,近似等于2.718281828;d—神经元Nkl与神经元Nij间的欧式距离,其计算如式(11)所示,
<mrow>
<mi>d</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mi>l</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
式(11)中:xi+k,yj+l—神经元Nkl坐标;xi,yj—神经元Nij坐标;
④计算图像分割结果Y(n)的信息熵s(n),判断n是否为1,若是,则将最大信息熵s(max)的值修改为s(1),并将max的值修改为1,转入步骤⑥;否则,转入步骤⑤;
⑤判断s(n)是否大于最大信息熵s(max),若是,则将最大信息熵s(max)的值修改为s(n),并将max的值修改为n,转入步骤⑥;否则,结束迭代过程,转到步骤⑦;
⑥判断n是否等于预设的最大迭代次数M,若是,则结束迭代过程,转入步骤⑦;否则,迭代次数n自增1,跳转到步骤③;
⑦计算最大信息熵s(max)与第max-1次迭代得到的信息熵s(max-1)的差值,即信息熵梯度Δs;
⑧判断Δs是否大于阈值Ts,若是,则以第max+1次迭代获得的Y(max+1)为图像分割结果F;否则,以最大信息熵对应的第max次迭代获得的Y(max)为图像分割结果F;
⑨图像分割结果去噪:去除图像分割结果F中面积小于预设阈值Ta的区域,得到去噪后的图像分割结果Fn。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810006510.8A CN108090910B (zh) | 2018-01-04 | 2018-01-04 | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810006510.8A CN108090910B (zh) | 2018-01-04 | 2018-01-04 | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090910A true CN108090910A (zh) | 2018-05-29 |
CN108090910B CN108090910B (zh) | 2021-04-20 |
Family
ID=62179968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810006510.8A Expired - Fee Related CN108090910B (zh) | 2018-01-04 | 2018-01-04 | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090910B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108901540A (zh) * | 2018-06-28 | 2018-11-30 | 重庆邮电大学 | 基于人工蜂群模糊聚类算法的果树补光和疏果方法 |
CN109255795A (zh) * | 2018-09-11 | 2019-01-22 | 中国计量大学 | 一种番茄植株边缘排序算法 |
CN110889876A (zh) * | 2019-12-10 | 2020-03-17 | 兰州交通大学 | 一种基于ca-spcnn算法的彩色图像量化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177445A (zh) * | 2013-03-13 | 2013-06-26 | 浙江大学 | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 |
US20150134583A1 (en) * | 2013-11-14 | 2015-05-14 | Denso Corporation | Learning apparatus, learning program, and learning method |
CN105005975A (zh) * | 2015-07-08 | 2015-10-28 | 南京信息工程大学 | 基于pcnn和图像熵的各向异性扩散的图像去噪方法 |
CN106023224A (zh) * | 2016-05-30 | 2016-10-12 | 天水师范学院 | 一种中药材显微图像的pcnn自动分割方法 |
CN106067026A (zh) * | 2016-05-30 | 2016-11-02 | 天水师范学院 | 一种中药材显微图像的特征提取与识别检索方法 |
CN107016676A (zh) * | 2017-03-13 | 2017-08-04 | 三峡大学 | 一种基于pcnn的视网膜血管图像分割方法和*** |
-
2018
- 2018-01-04 CN CN201810006510.8A patent/CN108090910B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177445A (zh) * | 2013-03-13 | 2013-06-26 | 浙江大学 | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 |
CN103177445B (zh) * | 2013-03-13 | 2015-10-28 | 浙江大学 | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 |
US20150134583A1 (en) * | 2013-11-14 | 2015-05-14 | Denso Corporation | Learning apparatus, learning program, and learning method |
CN105005975A (zh) * | 2015-07-08 | 2015-10-28 | 南京信息工程大学 | 基于pcnn和图像熵的各向异性扩散的图像去噪方法 |
CN106023224A (zh) * | 2016-05-30 | 2016-10-12 | 天水师范学院 | 一种中药材显微图像的pcnn自动分割方法 |
CN106067026A (zh) * | 2016-05-30 | 2016-11-02 | 天水师范学院 | 一种中药材显微图像的特征提取与识别检索方法 |
CN107016676A (zh) * | 2017-03-13 | 2017-08-04 | 三峡大学 | 一种基于pcnn的视网膜血管图像分割方法和*** |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108901540A (zh) * | 2018-06-28 | 2018-11-30 | 重庆邮电大学 | 基于人工蜂群模糊聚类算法的果树补光和疏果方法 |
CN109255795A (zh) * | 2018-09-11 | 2019-01-22 | 中国计量大学 | 一种番茄植株边缘排序算法 |
CN109255795B (zh) * | 2018-09-11 | 2021-04-06 | 中国计量大学 | 一种番茄植株边缘排序方法 |
CN110889876A (zh) * | 2019-12-10 | 2020-03-17 | 兰州交通大学 | 一种基于ca-spcnn算法的彩色图像量化方法 |
CN110889876B (zh) * | 2019-12-10 | 2022-05-03 | 兰州交通大学 | 一种基于ca-spcnn算法的彩色图像量化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108090910B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gan et al. | Immature green citrus fruit detection using color and thermal images | |
RU2735151C2 (ru) | Распознавание сорняков в естественной среде | |
RU2764872C2 (ru) | Распознавание сорняка в естественной среде | |
Liu et al. | A method of segmenting apples at night based on color and position information | |
Nuske et al. | Automated visual yield estimation in vineyards | |
CN110148120A (zh) | 一种基于cnn与迁移学习的病害智能识别方法及*** | |
CN107346434A (zh) | 一种基于多特征及支持向量机的植物病虫害检测方法 | |
CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割***及方法 | |
Song et al. | Detection of maize tassels for UAV remote sensing image with an improved YOLOX model | |
CN103177445B (zh) | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 | |
US11455794B2 (en) | System and method for orchard recognition on geographic area | |
EP3279831A1 (en) | Recognition of weed in a natural environment using a digital image | |
CN110070571B (zh) | 一种基于深度相机的毛竹形态参数检测方法 | |
KR102002632B1 (ko) | Iot 기반 과수 모니터링 시스템 및 방법 | |
CN108090910A (zh) | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 | |
CN106815826A (zh) | 基于场景识别的夜视图像彩色融合方法 | |
WO2020000043A1 (en) | Plant growth feature monitoring | |
CN113252584B (zh) | 基于5g传输的作物生长检测方法及*** | |
Liu et al. | Development of a machine vision algorithm for recognition of peach fruit in a natural scene | |
Zhang et al. | Yield estimation of citrus fruit using rapid image processing in natural background | |
Liu et al. | Recognition and localization of actinidia arguta based on image recognition | |
CN116721385A (zh) | 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法 | |
CN112418112A (zh) | 一种果园病虫害监测预警方法及*** | |
CN103900498B (zh) | 一种棉田苗情自动探测方法及其探测装置 | |
CN115690778A (zh) | 基于深度神经网络的成熟期水果的检测与跟踪计数的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210420 Termination date: 20220104 |